feat: Penman RNOA/FLEV 분해 + Richardson 3계층 발생액 추가

eddmpython · eddmpython · commit 644791f1ee72 · 2026-03-31T13:18:11.000+09:00
Phase 1 재무제표 극한 활용:

1. calcPenmanDecomposition (profitability.py)
   ROCE = RNOA + FLEV × SPREAD. ROE가 영업력인지 레버리지인지 분리.
   삼성전자: RNOA 5.41%, FLEV -0.08(순현금), LevEffect -1.54%p

2. calcRichardsonAccrual (earningsQuality.py)
   BS 변동 기반 3계층 분해: WCACC(운전자본) + LTOACC(비유동) + FINACC(금융)
   LTOACC 비중 &gt; 50%이면 이익 신뢰도 낮음

ops/analysis.md에 9개 방법론 갭 매트릭스 + 구현 로드맵 문서화
diff --git a/ops/analysis.md b/ops/analysis.md
@@ -78,23 +78,129 @@ dartlab은 투자자 관점을 채택 — "이 회사가 뭘로 돈을 버는가
 - fallback이 가치 없으면 제거 (None 반환이 나음)
 - 금융업(은행/증권/보험) IS/BS 구조 미지원 — 장기 과제
 
+## 재무제표 극한 활용 (갭 매트릭스)
+
+9개 학술/실무 방법론 조사 결과. 현재 구현 수준과 빠진 것.
+
+### 구현 수준 매트릭스
+
+| 방법론 | 구현율 | 핵심 갭 |
+|--------|--------|---------|
+| Penman Reformulated FS | 60% | RNOA, FLEV/SPREAD 분해 없음 |
+| Richardson 발생액 3계층 | 30% | BS 기반 WCACC/LTOACC/FINACC 분리 없음 |
+| Mohanram G-Score | 0% | 성장주 전용 스코어 부재 |
+| DuPont 확장 | 50% | RNOA 기반 분해, 업종 조정 없음 |
+| CF 품질 분석 | 40% | Core OCF 조정, Maintenance CAPEX 분리 없음 |
+| BS 자산 재분류 | 70% | NFO, 이연법인세 분류, 초과현금 분리 없음 |
+| SCE 활용 | 20% | OCI 분해, Dirty Surplus 없음 |
+| 세그먼트 심화 | 50% | 부문별 마진/ROIC, SOTP 밸류에이션 없음 |
+| 3표 교차 검증 | 50% | BS-CF 연결, Articulation Check 없음 |
+
+### 재무제표 직접 읽기 (비율 아닌 원본 활용) — 빠진 것
+
+| 영역 | 빠진 분석 | 데이터 위치 |
+|------|----------|-----------|
+| IS | 판관비 하위 분해 (인건비/광고/R&D/임차료) | sections 주석 |
+| IS | 영업외손익 분해 (이자/환차/지분법/처분) | IS finance_income/cost, 지분법손익 |
+| IS | 매출원가 분해 (원재료/노무/경비) | sections 제조원가명세서 |
+| CF | 영업CF 내부 분해 (비현금+운전자본 항목별) | CF 개별 조정항목 |
+| CF | 투자CF 상세 (금융자산/관계기업 개별) | CF |
+| BS | 부채 상세 (선수금/충당부채/리스부채 개별) | BS |
+| BS | 자본 항목 분해 (자본금/잉여금/OCI 개별) | BS + SCE |
+| 전체 | 계정별 CAGR 비교 (절대값 장기 추세) | IS/BS/CF 전체 |
+| 전체 | BS-CF 정합성 (PPE/현금/자본 Articulation) | BS + CF |
+
+### 구현 로드맵
+
+**Phase 1 — 즉시** (데이터 있음, 나누기만 추가):
+1. Penman RNOA + FLEV/SPREAD → `profitability.py`
+2. Richardson 3계층 발생액 → `earningsQuality.py`
+3. BS-CF Articulation Check → `crossStatement.py`
+
+**Phase 2 — 재무제표 직접 읽기** (select()로 접근 가능):
+4. 영업CF 내부 분해 → `cashflow.py`
+5. 영업외손익 분해 → `earningsQuality.py`
+6. 부채 상세 분해 → `stability.py`
+7. 절대값 CAGR 비교 → `growthAnalysis.py`
+
+**Phase 3 — 데이터 확장** (sections 파싱 연동 필요):
+8. 판관비/매출원가 하위 분해
+9. SCE 기반 OCI 분해
+10. 부문별 영업이익/마진
+11. Mohanram G-Score
+
+### 학술 근거
+
+- Penman: Nissim & Penman (2001), Penman FSA&SV 5e
+- Richardson: Richardson et al. (2005) — Accrual Reliability, Earnings Persistence
+- Mohanram: Mohanram (2005) — G-Score for Growth Stocks
+- Soliman: Soliman (2008) — Industry-Adjusted DuPont
+- CF 품질: Mulford & Comiskey (2005) — Creative Cash Flow Reporting
+
 ## forecast (예측)
 
-### 예측신호 6축
+### 매출 방향 예측엔진 (calcRevenueDirection)
+
+**방법론**: 모멘텀(전분기 방향 유지) + 영업이익률 확인 + OLS 확인
+
+```
+1. 기본: 전분기 YoY 매출 방향을 그대로 유지 (72.1%)
+2. 확인1: 영업이익률 > 0이면 신뢰도 상승 (76.1%) — API 불필요
+3. 확인2: OLS 외생변수와 일치하면 추가 상승 (77.7%)
+4. 2연속 같은 방향이면 74.7%
+```
+
+**검증 수치** (walk-forward, 과적합 불가):
+
+| 조건 | 정확도 | 관측치 | 커버리지 |
+|------|--------|--------|---------|
+| 모멘텀 단독 | 72.1% | 4825건 | 100% |
+| 2연속 모멘텀 | 74.7% | 360건 | 69% |
+| 모멘텀+영업이익률 일치 | 76.1% | 3660건 | 76% |
+| 모멘텀+OLS 일치 | 77.7% | 355건 | 68% |
+
+**신뢰도 체계**:
+- `very_high`: 3개 확인(마진+OLS+2연속) 모두 일치
+- `high`: 2개 확인
+- `medium`: 1개 이하
+
+**학술 근거**:
+- M4/M5 Competition: 단순 방법 > 복잡한 ML (100,000 시계열)
+- Sloan 1996: 이익 지속성 → 모멘텀의 이론적 기반
+- PEAD: 실적 방향 지속 효과
+
+**시도했지만 효과 없던 것**:
+- Logistic Regression (+0.8%p) — 모델 구조 변경 무의미
+- 한국 PPI 13개 추가 — 하락 (가격 < 생산량)
+- 11신호 다수결 앙상블 (61%) — static 신호 = 상수 바이어스
+- 후보 풀 확대 — 과적합 변수 선택
+- GDP — **영구 제외** (기업 매출의 직접 외생변수가 아님)
+
+### 외생변수 6축 (OLS 확인용)
 
 | 축 | 지표 예시 |
 |------|------|
 | 원자재 가격 | 구리, 알루미늄, 유가, 금속PPI, 밀, 면화 |
-| 산업생산 | 반도체, 자동차, 화학, 식품, INDPRO |
-| 실물수요 | 자동차판매, 내구재, 화물운송, 설비가동률 |
+| 산업생산 | 반도체, 자동차, 화학, 식품, INDPRO, 배터리PPI |
+| 실물수요 | 자동차판매, 내구재, 화물운송, 설비가동률, BSI |
 | 금융조건 | 금리, 하이일드 스프레드, 회사채 |
-| 내수경기 | IPI, 서비스업, BSI, 아파트가격 |
+| 내수경기 | IPI, 서비스업, BSI 내수/수출, 아파트가격 |
 | 환율 | 원/달러, 원/엔, 원/위안 |
 
-- 143개 업종 매핑, 95.5% 커버리지
-- 방향 정확도: 평균 66%, lag=1분기 선행 시 49%가 70%+
-- **GDP는 영구 제외** — 기업 매출의 직접 외생변수가 아님
-- 천장(62~66%)은 모델 구조로 못 뚫음 — 변수 차원 변경 필요
+- 143개 업종 매핑, 95.5% 커버리지, `exogenousAxes.py`
+- 적응형 변수 선택: 매핑 후보 + 범용 후보에서 상관도 상위 3개
+- `productIndex.parquet`: 2444종목 공시 제품 텍스트 (0.3MB)
+- OLS 단독은 62~66% 천장 — "확인자" 역할만 (독립 예측자 아님)
+
+### 추가 탐색 결과
+
+| 방향 | 결과 | 상태 |
+|------|------|------|
+| 횡단면 ML (Chen 2022) | 모멘텀+마진이 이미 76% → ML 추가 이득 불분명 | 장기 검토 |
+| 관세청 수출입 HS코드 | API 키 필요 | 보류 |
+| 공시 tone (키워드) | preview 200자 한계 | 보류 |
+| Google Trends | 한국 점유율 낮음 | 제외 |
+| 피어 선행 | Frankel 2025: spillover 약함 | 제외 |
 
 ### valuation (가치평가)
 
diff --git a/src/dartlab/analysis/financial/earningsQuality.py b/src/dartlab/analysis/financial/earningsQuality.py
@@ -360,3 +360,103 @@ def calcEarningsQualityFlags(company, *, basePeriod: str | None = None) -> list[
             flags.append(f"Beneish M-Score {ms:.2f} — 임계값 초과, 이익 조작 가능성")
 
     return flags
+
+
+# ── Richardson 3계층 발생액 분해 ──
+
+
+def calcRichardsonAccrual(company, *, basePeriod: str | None = None) -> dict | None:
+    """Richardson et al. (2005) 3계층 발생액 분해.
+
+    BS 변동 기반으로 발생액을 운전자본/비유동영업/금융으로 분리.
+    신뢰도가 낮은 LTOACC가 클수록 이익 지속성이 낮다.
+
+    WCACC  = (delta_CA - delta_Cash) - (delta_CL - delta_STD)  신뢰도 높음
+    LTOACC = delta_NCOA - delta_NCOL                            신뢰도 낮음
+    FINACC = delta_STI + delta_LTI - delta_LTD - delta_PSTK    중간
+
+    반환::
+
+        {
+            "history": [
+                {"period": str, "wcacc": float, "ltoacc": float, "finacc": float,
+                 "totalAccrual": float, "reliabilityScore": str},
+                ...
+            ],
+        }
+
+    학술근거: Richardson, Sloan, Soliman, Tuna (2005).
+    """
+    bsResult = company.select(
+        "BS",
+        [
+            "유동자산", "비유동자산", "유동부채", "비유동부채",
+            "현금및현금성자산", "단기차입금", "장기차입금", "사채",
+            "자산총계",
+        ],
+    )
+
+    bsParsed = _toDict(bsResult)
+    if bsParsed is None:
+        return None
+
+    bsData, bsPeriods = bsParsed
+    caRow = bsData.get("유동자산", {})
+    ncaRow = bsData.get("비유동자산", {})
+    clRow = bsData.get("유동부채", {})
+    nclRow = bsData.get("비유동부채", {})
+    cashRow = bsData.get("현금및현금성자산", {})
+    stRow = bsData.get("단기차입금", {})
+    ltRow = bsData.get("장기차입금", {})
+    bondRow = bsData.get("사채", {})
+    taRow = bsData.get("자산총계", {})
+
+    yCols = _annualColsFromPeriods(bsPeriods, _MAX_YEARS + 1, basePeriod=basePeriod)
+    if len(yCols) < 2:
+        return None
+
+    history = []
+    for i in range(len(yCols) - 1):
+        col = yCols[i]
+        prevCol = yCols[i + 1]
+
+        # 델타 계산
+        dCA = _get(caRow, col) - _get(caRow, prevCol)
+        dCash = _get(cashRow, col) - _get(cashRow, prevCol)
+        dCL = _get(clRow, col) - _get(clRow, prevCol)
+        dSTD = _get(stRow, col) - _get(stRow, prevCol)
+        dNCA = _get(ncaRow, col) - _get(ncaRow, prevCol)
+        dNCL = _get(nclRow, col) - _get(nclRow, prevCol)
+        dLTD = (_get(ltRow, col) + _get(bondRow, col)) - (_get(ltRow, prevCol) + _get(bondRow, prevCol))
+
+        # 3계층 분해
+        wcacc = (dCA - dCash) - (dCL - dSTD)
+        ltoacc = dNCA - dNCL
+        finacc = -dCash + dSTD + dLTD  # 금융자산 증가 - 금융부채 증가의 역
+
+        totalAccrual = wcacc + ltoacc + finacc
+        avgTA = (_get(taRow, col) + _get(taRow, prevCol)) / 2
+
+        # 정규화 (총자산 평균 대비)
+        wcaccNorm = round(wcacc / avgTA * 100, 2) if avgTA > 0 else None
+        ltoaccNorm = round(ltoacc / avgTA * 100, 2) if avgTA > 0 else None
+        finaccNorm = round(finacc / avgTA * 100, 2) if avgTA > 0 else None
+        totalNorm = round(totalAccrual / avgTA * 100, 2) if avgTA > 0 else None
+
+        # 신뢰도 판단: LTOACC 비중이 50% 이상이면 낮음
+        if totalAccrual != 0 and avgTA > 0:
+            ltoShare = abs(ltoacc) / (abs(wcacc) + abs(ltoacc) + abs(finacc)) if (abs(wcacc) + abs(ltoacc) + abs(finacc)) > 0 else 0
+            reliability = "low" if ltoShare > 0.5 else "high" if ltoShare < 0.2 else "medium"
+        else:
+            reliability = None
+
+        history.append({
+            "period": col,
+            "wcacc": wcaccNorm,
+            "ltoacc": ltoaccNorm,
+            "finacc": finaccNorm,
+            "totalAccrual": totalNorm,
+            "reliabilityScore": reliability,
+        })
+
+    return {"history": history} if history else None
diff --git a/src/dartlab/analysis/financial/profitability.py b/src/dartlab/analysis/financial/profitability.py
@@ -323,3 +323,145 @@ def calcProfitabilityFlags(company, *, basePeriod: str | None = None) -> list[st
                 flags.append(f"진성 고수익 (ROE {roe:.1f}%, 낮은 레버리지)")
 
     return flags
+
+
+# ── Penman RNOA + FLEV/SPREAD 분해 ──
+
+
+def _get(row: dict, col: str) -> float:
+    v = row.get(col)
+    return v if v is not None else 0
+
+
+def calcPenmanDecomposition(company, *, basePeriod: str | None = None) -> dict | None:
+    """Penman 분해 -- ROE가 영업력인지 레버리지인지 분리.
+
+    ROCE = RNOA + FLEV × SPREAD
+    RNOA = NOPAT / NOA  (순영업자산수익률)
+    FLEV = NFO / Equity  (금융레버리지)
+    NBC  = 순금융비용 / NFO  (순차입비용률)
+    SPREAD = RNOA - NBC  (초과수익률)
+    leverageEffect = FLEV × SPREAD  (레버리지 효과)
+
+    반환::
+
+        {
+            "history": [
+                {"period": str, "rnoa": float, "flev": float, "nbc": float,
+                 "spread": float, "leverageEffect": float, "roce": float},
+                ...
+            ],
+        }
+
+    Guide::
+
+        RNOA와 ROE를 비교하면 레버리지 효과를 알 수 있다.
+        RNOA > NBC이면 차입이 주주에게 유리 (양의 SPREAD).
+        RNOA < NBC이면 차입이 가치를 파괴.
+
+    SeeAlso::
+
+        - calcReturnTrend: 기존 5요소 DuPont
+        - calcRoicTimeline: ROIC 시계열
+
+    학술근거: Nissim & Penman (2001), Penman FSA&SV 5e.
+    """
+    isResult = company.select(
+        "IS", ["영업이익", "법인세비용", "법인세차감전순이익", "금융이익", "금융비용"]
+    )
+    bsResult = company.select(
+        "BS",
+        [
+            "자산총계", "자본총계",
+            "매출채권및기타채권", "재고자산", "유형자산", "무형자산",
+            "매입채무", "선수금", "계약부채",
+            "단기차입금", "장기차입금", "사채",
+            "현금및현금성자산",
+        ],
+    )
+
+    isParsed = toDict(isResult)
+    bsParsed = toDict(bsResult)
+    if isParsed is None or bsParsed is None:
+        return None
+
+    isData, isPeriods = isParsed
+    bsData, _ = bsParsed
+
+    opRow = isData.get("영업이익", {})
+    taxRow = isData.get("법인세비용", {})
+    ptRow = isData.get("법인세차감전순이익", {})
+    finIncRow = isData.get("금융이익", {})
+    finCostRow = isData.get("금융비용", {})
+
+    eqRow = bsData.get("자본총계", {})
+    recRow = bsData.get("매출채권및기타채권", {})
+    invRow = bsData.get("재고자산", {})
+    ppeRow = bsData.get("유형자산", {})
+    intRow = bsData.get("무형자산", {})
+    apRow = bsData.get("매입채무", {})
+    advRow = bsData.get("선수금", {})
+    contRow = bsData.get("계약부채", {})
+    stRow = bsData.get("단기차입금", {})
+    ltRow = bsData.get("장기차입금", {})
+    bondRow = bsData.get("사채", {})
+    cashRow = bsData.get("현금및현금성자산", {})
+
+    yCols = _annualColsFromPeriods(isPeriods, maxYears=_MAX_YEARS, basePeriod=basePeriod)
+    if len(yCols) < 2:
+        return None
+
+    history = []
+    for col in yCols:
+        # NOPAT = 영업이익 × (1 - 유효세율)
+        opIncome = _get(opRow, col)
+        taxExpense = abs(_get(taxRow, col))
+        ptIncome = abs(_get(ptRow, col))
+        effectiveTaxRate = taxExpense / ptIncome if ptIncome > 0 else 0.25
+        effectiveTaxRate = min(effectiveTaxRate, 0.5)
+        nopat = opIncome * (1 - effectiveTaxRate) if opIncome != 0 else None
+
+        # NOA = 영업자산 - 영업부채
+        opAssets = _get(recRow, col) + _get(invRow, col) + _get(ppeRow, col) + _get(intRow, col)
+        opLiab = _get(apRow, col) + _get(advRow, col) + _get(contRow, col)
+        noa = opAssets - opLiab if opAssets > 0 else None
+
+        # NFO = 금융부채 - 금융자산(현금)
+        finDebt = _get(stRow, col) + _get(ltRow, col) + _get(bondRow, col)
+        cash = _get(cashRow, col)
+        nfo = finDebt - cash
+
+        # 순금융비용
+        finInc = _get(finIncRow, col)
+        finCost = _get(finCostRow, col)
+        netFinCost = finCost - finInc  # 양수 = 순비용
+
+        equity = _get(eqRow, col)
+
+        # RNOA
+        rnoa = round(nopat / noa * 100, 2) if nopat is not None and noa and noa > 0 else None
+        # FLEV
+        flev = round(nfo / equity, 2) if equity > 0 else None
+        # NBC
+        nbc = round(netFinCost * (1 - effectiveTaxRate) / abs(nfo) * 100, 2) if nfo != 0 else None
+        # SPREAD
+        spread = round(rnoa - nbc, 2) if rnoa is not None and nbc is not None else None
+        # Leverage Effect
+        levEffect = round(flev * spread, 2) if flev is not None and spread is not None else None
+        # ROCE (검증: ≈ RNOA + leverageEffect)
+        roce = round(rnoa + levEffect, 2) if rnoa is not None and levEffect is not None else None
+
+        history.append({
+            "period": col,
+            "rnoa": rnoa,
+            "flev": flev,
+            "nbc": nbc,
+            "spread": spread,
+            "leverageEffect": levEffect,
+            "roce": roce,
+        })
+
+    if not history:
+        return None
+
+    return {"history": history}
